Elementos de Inteligência Artificial e Ciência de Dados

Não tem Fotografia:
João Carlos Raposo Neves
Código:
18099
Ano:
1
Semestre:
S2
Créditos ECTS:
6
Carga Horária:
PL(30H)/T(30H)
Área Científica:
Informática
Objectivos de Aprendizagem:
No final da unidade curricular o estudante deve ser capaz de:

• Compreender o desenvolvimento da área de Inteligência Artificial e os principais marcos que permitiram aumentar a sua relevância e impacto na sociedade atual;
• Conhecer os princípios por detrás dos domínios de aprendizagem automática, pesquisa inteligente e representação do conhecimento e raciocínio;
• Conhecer as diferentes fases de um projeto de Ciência de Dados e as técnicas mais usadas em cada uma destas fases;
• Elaborar relatórios contendo a informação mais importante de um conjunto de dados através da combinação de técnicas de Ciência de Dados com métodos de Inteligência Artificial.
Conteúdos programáticos:
Algoritmos de Pesquisa Inteligente:
• Problemas de busca de caminhos;
• Jogos;
• Problemas de satisfação de restrições.

Métodos de Representação de Conhecimento e Raciocínio:
• Lógica de primeira ordem;
• Raciocínio automático.

Métodos de Aprendizagem Automática:
• Métodos de aprendizagem supervisionada e não supervisionada;
• Aprendizagem por reforço;
• Métodos discriminativos e generativos.

Técnicas de Recolha e Ingestão de Dados:
• Recolha de dados a partir de APIs, Páginas Web, Base de Dados;
• Formatos de Arquivo (XML, JSON, CSV, Parquet).

Técnicas de Pré-Processamento de Dados
• Técnicas de limpeza de dados;
• Técnicas de transformação de dados;
• Técnicas de redução de dados.

Representações Visuais de Dados
• Representações de dados univariadados e multivariados;
• Gráficos condicionais, temporais e com valores multi-agregados;

Técnicas de Análise Preditiva
• Métodos de classificação;
• Métodos de regressão
Metodologias de Ensino e Critérios de Avaliação:
Métodos e Critérios de Avaliação:
As componentes teóricas e práticas são avaliadas recorrendo a dois elementos principais:
- uma prova escrita (T) de avaliação de conhecimentos, com um peso de 60% na nota final;
- um trabalho prático (TP1) de grupo com relatório de execução e apresentação, com peso de 15% na nota final.
- um trabalho prático (TP2) de grupo com relatório de execução e apresentação, com peso de 25% na nota final.

Classificação Ensino-Aprendizagem (CEA)= 0.6T + 0.15TP1 + 0.25TP2
Admissão ao exame final: CEA >= 6 valores (regulamento da UBI).
Bibliografia principal:
[1] D.P. Kroese, Z.I. Botev, T. Taimre, R. Vaisman. "Data Science and Machine Learning: Mathematical and Statistical Methods." Chapman & Hall/CRC, 2019.
[2] Hui Lin, Ming Li, Practitioner’s Guide to Data Science, 2023.
[3] Joel Grus. Data Science from Scratch, 2nd Edition. O'Reilly Media, Inc., 2019.
[4] Andriy Burkov. The Hundred-Page Machine Learning Book, 2019.
[5] S. Russell and P. Norvig; Artificial Intelligence: A Modern Approach, Pearson, 2021.
[6] Richard E. Korf. Artificial intelligence search algorithms. Algorithms and theory of computation handbook: special topics and techniques (2nd ed.). Chapman & Hall/CRC, 2010.
Língua:
Português